Analyse de données multivariées
Présentation de {pyPLNmodels}
Bastien Batardière nous présente le package python {pyPLNmodels}, conçu spécifiquement pour l’analyse de données de comptage. Ce package repose sur les modèles PLN et PLN-PCA (Chiquet, Mariadassou, and Robin 2018, 2021), qui font l’hypothèse d’une couche latente gaussienne. Grâce aux lois a posteriori, il permet d’extraire cette couche gaussienne et d’effectuer une ACP probabiliste adaptée aux données de comptage. Le package est accompagné d’un ensemble d’outils de visualisation pour faciliter l’interprétation des résultats.
-
Le package: https://pypi.org/project/pyPLNmodels/
-
Le github: https://github.com/PLN-team/pyPLNmodels
Utilisez le Getting_started.ipynb et c’est parti !
Le support introductif est ici
Atelier
Cette séance sous forme d’atelier a pour objectif de tester différents packages permettant de traiter des données de présence/absence ou d’abondance multivariées notamment en écologie, comme (liste non exhaustive)
Packages R
Le package [gllvm-package; Niku, Hui, et al. (2019)] utilise l’implémentation d’une méthode variationnelle via {TMB} (Kristensen et al. 2016) ou une méthode de Laplace d’approximation pour l’estimation. Pour plus de détails, allez voir Niku et al. (2021); Niku, Brooks, et al. (2019).
is a model-based approach for analyzing community ecological data (Tikhonov et al. 2022) (Ovaskainen et a.2017a).
Données Présence/Absence
Nous aurons au moins un jeu de données à disposition du type présence de différentes espèces de plantes sur différentes périodes sur différentes sites, accompagnées de covariables définissant le site.
Nous pourrons utiliser les données exemples du chapitre Modèles à facteurs latents, un outil de réduction de dimension pour les modèles de distribution d’espèce joints à récupérer dans ici
Données pieds d’arbre
Données publiées sur zenodo
Données pieds d’arbre 2009-2012 Données pieds d’arbre 2014-2018
References
Chiquet, Julien, Mahendra Mariadassou, and Stéphane Robin. 2018. “Variational Inference for Probabilistic Poisson PCA.” The Annals of Applied Statistics 12: 2674–98. https://projecteuclid.org/journals/annals-of-applied-statistics/volume-12/issue-4/Variational-inference-for-probabilistic-Poisson-PCA/10.1214/18-AOAS1177.full.
———. 2021. “The Poisson-Lognormal Model as a Versatile Framework for the Joint Analysis of Species Abundances.” Frontiers in Ecology and Evolution. https://doi.org/10.3389/fevo.2021.588292.
Kristensen, Kasper, Anders Nielsen, Casper W. Berg, Hans Skaug, and Bradley M. Bell. 2016. “TMB: Automatic Differentiation and Laplace Approximation.” Journal of Statistical Software 70 (5): 1–21. https://doi.org/10.18637/jss.v070.i05.
Niku, Jenni, Wesley Brooks, Riki Herliansyah, Francis K. C. Hui, Sara Taskinen, and David I. Warton. 2019. “Efficient Estimation of Generalized Linear Latent Variable Models.” PLoS ONE 14 (May). https://doi.org/10.1371/journal.pone.0216129.
Niku, Jenni, Francis K. C. Hui, Sara Taskinen, and David I. Warton. 2019. “Gllvm - Fast Analysis of Multivariate Abundance Data with Generalized Linear Latent Variable Models in r.” Methods in Ecology and Evolution 10: 2173–82.
———. 2021. “Analyzing Environmental-Trait Interactions in Ecological Communities with Fourth-Corner Latent Variable Models.” Environmetrics 32: 1–17.
Tikhonov, Gleb, Otso Ovaskainen, Jari Oksanen, Melinda de Jonge, Oystein Opedal, and Tad Dallas. 2022. Hmsc: Hierarchical Model of Species Communities. https://CRAN.R-project.org/package=Hmsc.
